Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations

要約

時系列モデリングは広く研究されていますが、現実世界のデータに直面すると、依然として重大な課題に直面しています。
私たちは、Implicit Neural Representations (INR) を活用した新しいモデリング アプローチを提案します。
このアプローチにより、時系列の連続的な側面を効果的にキャプチャできるようになり、欠損データの処理、不規則なサンプリングの処理、複数のセンサーからの不整合な観測の処理など、繰り返し発生するモデリングの問題に対する自然な解決策が提供されます。
INR パラメータの条件付き変調を導入し、メタ学習技術を活用することで、目に見えないサンプルとタイム ウィンドウのシフトの両方に対する一般化の問題に対処します。
広範な実験を通じて、当社のモデルは、予測および代入タスクにおいて最先端のパフォーマンスを実証すると同時に、競合モデルでは不可能な幅広い困難なシナリオを処理する柔軟性を示します。

要約(オリジナル)

Although widely explored, time series modeling continues to encounter significant challenges when confronted with real-world data. We propose a novel modeling approach leveraging Implicit Neural Representations (INR). This approach enables us to effectively capture the continuous aspect of time series and provides a natural solution to recurring modeling issues such as handling missing data, dealing with irregular sampling, or unaligned observations from multiple sensors. By introducing conditional modulation of INR parameters and leveraging meta-learning techniques, we address the issue of generalization to both unseen samples and time window shifts. Through extensive experimentation, our model demonstrates state-of-the-art performance in forecasting and imputation tasks, while exhibiting flexibility in handling a wide range of challenging scenarios that competing models cannot.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google